Point d'accès au chat IA : consultez les réponses et les sources des modèles de langage de grande envergure (LLM) géolocalisées

L'interface de chat IA de Massive renvoie la réponse fournie par ChatGPT, Gemini ou Perplexity à une requête, telle qu'elle a été formulée depuis un appareil réel situé dans le pays, la région ou la ville de votre choix. Un GET La commande « request » renvoie le résultat final, les sources citées par le modèle et, pour ChatGPT, les requêtes de recherche qu'il a effectuées pour élaborer la réponse.

C'est important, car les réponses fournies par l'IA ne constituent plus un canal de niche. Environ la moitié des adultes américains utilisent désormais des chatbots basés sur l'IA, et environ quatre sur dix s'en servent pour rechercher des informations, selon Enquête du Pew Research Center de 2026 sur un échantillon de 5 119 adultes. Si une part croissante des requêtes aboutit à un chatbot, les équipes ont besoin d'un moyen fiable de savoir ce que dit ce chatbot.

Points clés à retenir

• Le point de terminaison du chat IA (/ai) est l'un des trois points d'arrivée de l'album Web Render API de Massive, aux côtés de Navigation et Rechercher.
• Trois modèles : ChatGPT (par défaut), Gemini et Perplexity.
• Les réponses comprennent le texte final, ses sources, les éventuelles publicités et, pour ChatGPT, le fanouts ensemble de requêtes sur lesquelles le modèle a effectué des recherches.
• Le géolocalisation s'étend jusqu'au niveau de la ville, car les chatbots adaptent leurs réponses en fonction de l'emplacement apparent de la personne qui pose la question.
• Le mode asynchrone associé aux callbacks permet de traiter de grands lots.

Ce que renvoie le point de terminaison du chat IA

Le point de terminaison du chat IA se trouve à l'adresse suivante : https://render.joinmassive.com/ai et accepte une invite pouvant comporter jusqu'à 2 047 caractères. Vous choisissez le modèle avec model=chatgpt, model=gemini, ou model=perplexity, ainsi que l'emplacement, quelle que soit la combinaison de country, subdivision, et city. Le résultat s'affiche sous forme structurée json (par défaut) ou sous la forme rendered HTML.

La réponse JSON divise la conversation en plusieurs parties que vous pouvez analyser séparément :

Chaque réponse fait également écho à la country, subdivision, city, et device avec laquelle elle fonctionnait. Cela permet à chaque ligne d'être auto-descriptive lorsque vous en stockez des milliers. La liste complète des champs se trouve dans le Documentation sur les assistants de conversation basés sur l'IA.

Un exemple concret : une suggestion en provenance de Portland

Voici la requête utilisée par la documentation de Massive pour illustrer le point de terminaison. Elle demande à ChatGPT de recommander des chaussures de basket depuis un appareil situé à Portland :

curl -H "Authorization: Bearer $MASSIVE_TOKEN" \
'https://render.joinmassive.com/ai'\
'?prompt=best+basketball+shoes+for+2026'\
'&country=us'\
'&city=Portland'

La réponse documentée comprend la réponse et les sources au format HTML, ainsi que ceci fanouts tableau :

"fanouts": [
  "best basketball shoes 2026",
  "top rated basketball shoes 2026 reviews",
  "best performance basketball shoes 2026",
  "best basketball shoes for guards 2026",
  "best basketball shoes for wide feet 2026",
  "best outdoor basketball shoes 2026",
  "most popular basketball shoes 2026"
]

Lisez cette liste comme le ferait une équipe chargée d'une marque. Le modèle ne s'est pas contenté de rechercher la question qui lui a été posée. Il a décomposé la question en sept recherches plus précises, notamment « protège-cheville », « pieds larges » et « terrains extérieurs ». Une marque de chaussures qui n'apparaît jamais dans les résultats pour « pieds larges » n'a aucune chance d'être mentionnée dans cette partie de la réponse, quelle que soit la qualité de sa page générale.

Pourquoi les réponses des assistants conversationnels basés sur l'IA varient-elles en fonction de la localisation ?

Les chatbots s'adaptent aux spécificités locales. Celui d'OpenAI Article d'aide sur la recherche dans ChatGPT indique que ChatGPT peut estimer la localisation approximative d'un utilisateur à partir de son adresse IP. Il peut alors reformuler une requête telle que « bons restaurants près de chez moi » en une recherche de restaurants dans cette ville.

Cet effet se manifeste au-delà des requêtes locales. Une étude réalisée par Whitebox, selon Ynetnews, a envoyé des requêtes identiques à ChatGPT depuis Israël, les États-Unis, la Turquie et l'Espagne. L'entreprise a constaté que les réponses étaient « globalement similaires, mais pas identiques », le modèle adaptant le ton et la formulation en fonction de la localisation et de la langue de l'utilisateur. (Whitebox analyse la manière dont les marques et les pays apparaissent dans les réponses générées par l’IA ; les effets liés à la localisation sont donc au cœur de son activité.)

Nous avons constaté la même chose lors de nos propres tests. Dans le cadre d’une étude menée en juin 2026 via ce point de terminaison, nous avons envoyé 270 requêtes localisées à ChatGPT, Gemini et Copilot depuis cinq pays. (Les modèles actuellement pris en charge par ce point de terminaison sont ChatGPT, Gemini et Perplexity.) Gemini a refusé de répondre aux questions relatives aux jeux d’argent posées depuis le Royaume-Uni et l’Allemagne, tout en y répondant librement depuis d’autres pays. Le classement d’une marque pouvait varier de deux places au maximum, selon l’assistant auquel nous nous adressions. Les résultats complets figurent dans Visibilité des marques grâce à l'IA : l'IA a ses préférences, mais elle ne vous dénigrera pas.

En d'autres termes : une réponse vérifiée par un bureau correspond à un échantillon de taille 1.

Chaque itinéraire Massive est généré via un véritable appareil grand public sur son réseau résidentiel, qui couvre plus de 195 pays. Le chatbot interagit avec un utilisateur local lambda, et non avec un centre de données. Quitter country La valeur est désactivée et la documentation précise qu'un pays est choisi au hasard ; veillez donc à la définir à chaque requête que vous comptez comparer au fil du temps.

Vous pouvez également simuler un téléphone ou une tablette. Appelez le /ai/devices Consultez la documentation pour obtenir la liste des noms d'appareils pris en charge, puis indiquez-en un sous la forme device. Sans cela, vous obtenez la fonction de saisie semi-automatique par défaut du bureau.

Les « fanouts » : comment ChatGPT a élaboré sa réponse

Les « fanouts » constituent la partie de la réponse vers laquelle nous orienterions en premier lieu un nouvel utilisateur. Une suggestion vous donne la réponse. Les « fanouts » vous montrent le cheminement de recherche qui a permis d'y parvenir.

Cela présente trois avantages concrets :

1. Lacunes dans le contenu. Chaque « fanout » correspond à une requête pour laquelle vous êtes bien classé ou non.
2. Évaluation du modèle. Lorsque vous évaluez les réponses d'un modèle LLM, les « fanouts » permettent de distinguer deux types d'échecs qui semblent identiques au regard du résultat final : soit le modèle a mal raisonné à partir de bons résultats, soit il a cherché la mauvaise information et n'a jamais détecté les bons résultats.
3. Suivi des modifications. Les répartitions peuvent varier d'une exécution à l'autre ; par conséquent, la liste du mois dernier ne correspondra peut-être pas à celle de ce mois-ci.

Une manière simple de mettre en pratique cette troisième utilisation :

• Sélectionnez entre 20 et 50 questions que vos acheteurs posent réellement, puis corrigez les country et city pour chacun d'entre eux.
• Exécutez-les chaque semaine avec expiration=0 ainsi, aucune réponse mise en cache ne masque une modification.
• Enregistrez les résultats de chaque série fanouts tableau, puis comparez-le à celui de la semaine dernière en un ensemble : nouvelles requêtes, requêtes supprimées, inchangées.
• Considérez chaque nouvelle question de type « fanout » comme une question relative au contenu. Disposez-vous d'une page qui y répond ?

Les « fanouts » étant de simples chaînes de caractères, cette comparaison ne nécessite que quelques lignes de code, quel que soit le langage utilisé. Aucune analyse syntaxique du code HTML n'est requise.

Une contrainte à prendre en compte : la balise « docs » fanouts et sse uniquement pour ChatGPT, et veuillez noter que seuls certains modèles proposent ces requêtes. Pour Gemini et Perplexity, vous disposez toujours des suggestions, des sources et des publicités, mais pas du chemin de recherche.

Exécuter des invites de chat IA à grande échelle

Selon la documentation, les complétions en temps réel prennent en moyenne plusieurs secondes. L'interface API autorise jusqu'à 3 minutes par appel, car certaines conversations nécessitent des tentatives supplémentaires. Pour les vérifications ponctuelles, le mode de synchronisation par défaut convient parfaitement. Pour la surveillance de centaines ou de milliers de messages, utilisez le mode asynchrone.

Ajouter mode=async et l'API renvoie immédiatement un identifiant de tâche. Renvoyez cet identifiant avec GET /ai?id=... pour récupérer le certificat d'achèvement, ou pour obtenir un retrieving ou failed état. Au lieu d'effectuer une interrogation, vous pouvez définir callback vers une URL HTTPS ou une file d'attente Amazon SQS, et Massive vous en informe dès que le traitement est terminé. Le documents relatifs à la planification couvrir les deux cas de figure.

La mise en cache nécessite un choix. Par défaut, une tâche terminée est conservée en cache pendant un jour. Définissez expiration=0, comme dans l'exemple de suivi ci-dessus, chaque fois qu'une réponse mise en cache pourrait masquer une modification.

Qui utilise le point de terminaison de chat IA ?

Massive ne développe pas de tableaux de bord d’IA pour la veille de marque. Le point de terminaison de chat IA constitue la couche d’infrastructure qui les sous-tend. Les plateformes d’optimisation des moteurs génératifs (GEO) et d’optimisation des moteurs de réponses (AEO) ont besoin d’une couverture géographique, d’une émulation d’appareils, ainsi que de données sources et de diffusion fiables avant de pouvoir générer des analyses. Massive prend en charge cette couche afin que leurs équipes puissent consacrer leur temps à l’analyse pour laquelle leurs clients les rémunèrent.

Une question légitime concernant n'importe laquelle de ces plateformes est de savoir si les résultats fournis par l'API correspondent à ce qu'un utilisateur voit dans l'application. Nous avons effectué des tests : sur 30 catégories de marques, /ai avec model=gemini a donné lieu à un classement des marques statistiquement impossible à distinguer de celui de l'application Gemini (après connexion) pour 26 des 30 thèmes, ce qui reflète à peu près la cohérence de l'application d'une exécution à l'autre. La méthodologie et les mises en garde figurent dans Les appels IA basés sur des API constituent-ils un bon indicateur de ce que vos utilisateurs voient réellement ?

Deux autres groupes utilisent les mêmes données :

• Équipes d'évaluation du LLM, qui ont besoin que ce soit la réponse en temps réel fournie par un modèle aujourd’hui, et non un instantané mis en cache, qui fasse l’objet de l’évaluation.
• RAG et générateurs d'agents, qui comparent les résultats d'un modèle de frontier avec ceux de leur propre pipeline. Notre guide sur Entraînement d'un modèle LLM à partir de données Web en temps réel couvre ce modèle, et Comment permettre aux agents IA d'accéder au Web en temps réel couvre les aspects liés à la navigation et à la recherche.

Pour en savoir plus sur l'évolution générale du marché à l'origine de cette demande, consultez notre Rapport sur l'état du secteur des données Web.

Ce qu’il faut retenir

Ce que ChatGPT, Gemini ou Perplexity disent de votre marque dépend de la personne qui pose la question et de l'endroit d'où elle provient. Avec /ai Vous pouvez effectuer une requête depuis n'importe quelle ville sur un appareil réel et conserver l'historique complet : réponse, sources, publicités et, pour ChatGPT, chaque recherche effectuée par le modèle. Commencez par le Documentation sur les assistants de conversation basés sur l'IA. Le bilan de Massive en matière de sécurité et de conformité figure sur le Centre de confiance Massive, et vous trouverez plus d'informations sur l'équipe sur notre Page « À propos ».